المحتويات:
إيتا تربيع (Eta Squared)
Primary Disciplinary Field(s): الإحصاء النفسي، الإحصاء التطبيقي، تحليل التباين
1. التعريف الأساسي والمكانة الإحصائية
تُعدّ مقياس إيتا تربيع (Eta Squared, $eta^2$) إحدى الأدوات الإحصائية الجوهرية التي تُستخدم لتقدير حجم التأثير (Effect Size) في سياق الأبحاث التجريبية والارتباطية، وخاصة تلك التي تعتمد على تحليل التباين (ANOVA). يتمثل الدور الأساسي لإيتا تربيع في تحديد النسبة المئوية من التباين الكلي في المتغير التابع التي يمكن تفسيرها أو نسبتها إلى المتغيرات المستقلة (العوامل) في النموذج الإحصائي المدروس. بمعنى آخر، هو مقياس يوضح مدى قوة العلاقة بين المتغيرات أو مدى أهمية التأثير المكتشف عمليًا، متجاوزًا بذلك الاعتماد الوحيد على قيمة الاحتمال (p-value) التي تشير فقط إلى الاحتمال الإحصائي لرفض الفرضية الصفرية.
إن المكانة الإحصائية لإيتا تربيع تنبع من كونه مقياسًا معياريًا (Standardized Measure) يتراوح دائمًا بين الصفر والواحد (أو 0% و 100% عند التعبير عنه كنسبة مئوية). تشير القيمة الصفرية إلى أن المتغير المستقل لا يفسر أي جزء من التباين في المتغير التابع، بينما تشير القيمة واحد إلى أن المتغير المستقل يفسر كل التباين الملاحظ. هذا المقياس جزء لا يتجزأ من عائلة معاملات التحديد (مثل $R^2$ في الانحدار)، حيث أن كلا المقياسين يعبران عن نسبة التباين المفسر. ولكنه يكتسب أهمية خاصة في تصميمات ANOVA المعقدة حيث يساعد الباحثين على عزل وقياس قوة تأثير كل عامل على حدة، سواء كان هذا التأثير رئيسيًا أو تفاعليًا.
في الإحصاء التطبيقي، لا يكفي مجرد إثبات وجود فرق ذي دلالة إحصائية؛ بل يجب تحديد حجم هذا الفرق أو التأثير. وهنا يأتي دور إيتا تربيع كأداة حاسمة لتوفير السياق العملي للنتائج. فنتائج الأبحاث التي تعتمد على عينات كبيرة قد تسفر عن قيم p-value صغيرة جدًا (دلالة إحصائية عالية) حتى لو كان التأثير الفعلي ضئيلاً وغير مهم عمليًا. على النقيض من ذلك، فإن قيمة عالية لإيتا تربيع (مثل 0.50) تشير إلى أن نصف التباين في النتائج يمكن تفسيره بوضوح بواسطة المعالجة التجريبية، مما يمنح التأثير وزنًا عمليًا كبيرًا، بصرف النظر عن حجم العينة.
2. التطور التاريخي والسياق الرياضي
تعود الجذور المفاهيمية لإيتا تربيع إلى فترة تأسيس تحليل التباين في أوائل القرن العشرين، على يد الإحصائي البريطاني رونالد فيشر (R.A. Fisher). وعلى الرغم من أن فيشر ركز في البداية على اختبار F لتحديد الدلالة الإحصائية، إلا أن الحاجة إلى قياس قوة العلاقة بين المتغيرات ظهرت بوضوح مع تزايد تعقيد التصميمات التجريبية. وتطورت إيتا تربيع كاستجابة مباشرة لهذا المطلب، مستوحاة من فكرة معامل التحديد $R^2$ المستخدم في نماذج الانحدار الخطي المتعدد.
يتموضع إيتا تربيع ضمن الإطار الرياضي العام للنموذج الخطي العام (General Linear Model, GLM)، والذي يشمل كلاً من الانحدار وتحليل التباين. رياضياً، يعتمد المقياس على مبدأ تجزئة التباين (Decomposition of Variance). يفترض هذا المبدأ أن التباين الكلي الملاحظ في المتغير التابع ينقسم إلى مكونين رئيسيين: التباين المفسر (الناجم عن العوامل المدروسة) والتباين غير المفسر (الخطأ العشوائي أو التباين المتبقي). وقد كان الهدف من تطوير إيتا تربيع هو توفير مقياس نسبي يحدد بدقة حصة المكون المفسر من الإجمالي.
في البداية، كان التركيز ينصب بشكل كبير على اختبار الفرضيات الصفرية، ولكن الانتقادات الموجهة إلى القصور الذاتي لقيمة p-value في تفسير الأهمية العملية، خاصة بعد منتصف القرن العشرين، دفعت بالمجتمعات الإحصائية والنفسية (بقيادة شخصيات مثل جاكوب كوهين) إلى الترويج لاستخدام مقاييس حجم التأثير بشكل إلزامي. وفي هذا السياق، ترسخ استخدام إيتا تربيع كأحد المقاييس الأساسية لتقرير حجم التأثير في جميع الأبحاث المعتمدة على ANOVA، مما عزز من دوره كجسر يربط بين الدلالة الإحصائية والأهمية العملية.
3. الخصائص الرئيسية والصيغة الحسابية
إن الخصائص الرياضية لإيتا تربيع تجعله مقياسًا مباشرًا وسهل الحساب والفهم. فهو يعبر عن نسبة مجاميع المربعات للتأثير (Sum of Squares for the Effect, $text{SS}_{text{Effect}}$) إلى مجموع المربعات الكلي (Total Sum of Squares, $text{SS}_{text{Total}}$). يمكن تمثيل الصيغة الحسابية الأساسية على النحو التالي:
$$eta^2 = frac{text{SS}_{text{Effect}}}{text{SS}_{text{Total}}}$$
حيث تمثل $text{SS}_{text{Effect}}$ التباين في المتغير التابع الذي يُعزى بشكل مباشر إلى مستويات العامل المستقل أو المعالجة التجريبية. بينما تمثل $text{SS}_{text{Total}}$ التباين الكلي في جميع مشاهدات المتغير التابع عبر كل المجموعات. هذه النسبة تضمن أن تكون قيمة $eta^2$ محصورة بين 0 و 1، وهي خاصية أساسية لمقاييس التباين المفسر.
من الخصائص المهمة لإيتا تربيع أنه يعتبر مقدرًا وصفيًا لحجم التأثير في العينة محل الدراسة. أي أنه يصف بدقة مدى قوة العلاقة في البيانات التي تم جمعها بالفعل. ومع ذلك، يجب الانتباه إلى أن إيتا تربيع يعتبر مقدرًا متحيزًا للأعلى (Upwardly Biased Estimator) عندما يُستخدم لتقدير حجم التأثير في المجتمع الإحصائي الأوسع. يعني هذا التحيز أنه في أغلب الأحيان، تكون قيمة إيتا تربيع المحسوبة في العينة أكبر قليلاً من قيمة حجم التأثير الحقيقية في المجتمع، خاصة عندما تكون أحجام العينات صغيرة.
علاوة على ذلك، يتأثر إيتا تربيع بجميع مصادر التباين في النموذج، بما في ذلك التفاعل بين العوامل الأخرى والخطأ العشوائي. نظرًا لأن المقام ($text{SS}_{text{Total}}$) يشمل التباين الناجم عن جميع العوامل المدروسة، بالإضافة إلى التباين المتبقي غير المفسر، فإن إيتا تربيع يمثل إجمالي التباين المفسر بواسطة مجموعة معينة من العوامل ضمن هذا التصميم المحدد. هذه الخاصية تميزه عن مقاييس أخرى مثل إيتا تربيع الجزئي التي سنتناولها لاحقًا، والتي تركز فقط على التباين المتبقي المرتبط بالخطأ في تقدير تأثير عامل واحد.
4. الأهمية والتأثير في البحث العلمي
تكمن الأهمية القصوى لإيتا تربيع في قدرته على تحويل النتائج الإحصائية المجردة إلى معلومات ذات مغزى عملي. في عصر التركيز على الشفافية والمساءلة في البحث، أصبح الإبلاغ عن حجم التأثير شرطًا أساسيًا في معظم الدوريات والمجلات الأكاديمية الكبرى، مثل تلك التي تصدرها جمعية علم النفس الأمريكية (APA). وقد ساعد هذا المقياس الباحثين على الابتعاد عن “جنون الدلالة الإحصائية” (Significance Hunting) والتركيز بدلاً من ذلك على الأهمية العملية والسريرية للاكتشافات.
يؤثر إيتا تربيع بشكل كبير في مجال التحليل التلوي (Meta-Analysis). فالتحليل التلوي يتطلب مقياسًا معياريًا ثابتًا يمكن من خلاله دمج نتائج دراسات متعددة أجريت باستخدام عينات أو مقاييس مختلفة. ونظرًا لأن إيتا تربيع يوفر نسبة مئوية من التباين المفسر، فإنه يمثل أساسًا ممتازًا لمقارنة قوة التأثيرات عبر دراسات مختلفة، مما يساهم في بناء فهم أكثر شمولاً وموثوقية لظاهرة معينة.
بالإضافة إلى ذلك، فإن استخدام إيتا تربيع يلعب دورًا حيويًا في مرحلة تخطيط البحث، وتحديداً في حساب القوة الإحصائية (Statistical Power) وحجم العينة المطلوب. لتحديد حجم العينة اللازم للكشف عن تأثير معين، يحتاج الباحثون إلى تقدير مسبق لحجم التأثير المتوقع. وغالبًا ما يتم اشتقاق هذا التقدير من نتائج دراسات سابقة أبلغت عن قيم إيتا تربيع، مما يضمن أن يكون التصميم التجريبي الجديد قويًا بما يكفي للكشف عن التأثيرات ذات الأهمية العلمية المتوقعة.
5. الانتقادات والقيود المنهجية
على الرغم من أهميته، فإن إيتا تربيع ليس خاليًا من الانتقادات والقيود المنهجية، والتي دفعت الإحصائيين إلى تطوير مقاييس بديلة. من أبرز هذه القيود هي مشكلة التحيز المذكورة سابقاً؛ فإيتا تربيع يميل إلى المبالغة في تقدير حجم التأثير الحقيقي في المجتمع. هذا التحيز يزداد سوءًا في التصميمات التي تحتوي على عدد قليل من مستويات العوامل أو عندما تكون أحجام العينات صغيرة جدًا، مما يقلل من موثوقية المقياس كتقدير دقيق للتأثير على مستوى المجتمع.
القيود الثانية تتعلق بحساسية إيتا تربيع للتباين غير المفسر. بما أن المقام ($text{SS}_{text{Total}}$) يشمل التباين الناتج عن الخطأ العشوائي، فإن إضافة عوامل أخرى غير ذات صلة بالتأثير قيد الدراسة إلى النموذج، أو وجود تباين كبير داخل المجموعة (تباين الخطأ)، يمكن أن يؤدي إلى تضخيم المقام، وبالتالي تقليل قيمة إيتا تربيع. هذا يعني أن قيمة $eta^2$ ليست ثابتة للتأثير نفسه، بل تعتمد على المتغيرات الأخرى التي تم إدراجها في التصميم التجريبي، مما يجعل المقارنة المباشرة بين قيم إيتا تربيع من دراسات ذات تصميمات مختلفة أمرًا صعبًا ومضللاً في بعض الأحيان.
قيد منهجي آخر يظهر في تصميمات العوامل المتعددة (Factorial Designs). في مثل هذه التصميمات، إذا كان الباحث مهتمًا فقط بتأثير عامل واحد (على سبيل المثال، تأثير الدواء)، فإن إيتا تربيع المحسوبة لهذا العامل ستشمل في مقامها التباين الناتج عن التفاعلات والعوامل الأخرى غير المهتم بها. وهذا يجعل من الصعب عزل القوة الحقيقية للتأثير الرئيسي للعامل المحدد، مما يقلل من فائدة إيتا تربيع في النماذج المعقدة مقارنة بمقاييس أخرى مثل إيتا تربيع الجزئي، الذي يقدم حلاً لهذه المشكلة.
6. تفسير الحجم والتأثير العملي
لتسهيل تفسير قيم إيتا تربيع، قام الإحصائي جاكوب كوهين بتقديم إرشادات عامة لتصنيف أحجام التأثير (على الرغم من أن إرشاداته الأصلية كانت موجهة في المقام الأول لمقاييس $f^2$ والارتباط $r$). هذه الإرشادات تُستخدم بشكل واسع كقواعد إبهام (Rules of Thumb) لتفسير إيتا تربيع، مع الاعتراف بأن هذه التفسيرات يجب أن تكون مرنة وتعتمد على السياق الأكاديمي والتطبيقي المحدد.
وفقًا لتفسيرات كوهين المطبقة على إيتا تربيع (أو ما يعادلها في $R^2$): يُعتبر حجم التأثير صغيرًا إذا كانت قيمة $eta^2$ تساوي 0.01 (1% من التباين المفسر). ويُعد حجم التأثير متوسطًا إذا كانت القيمة 0.06 (6% من التباين المفسر). بينما يُصنف التأثير على أنه كبير إذا وصلت القيمة إلى 0.14 (14% أو أكثر من التباين المفسر). هذه التصنيفات توفر نقطة انطلاق للمقارنة، لكنها ليست قواعد صارمة؛ فالأهمية العملية للتأثير لا تُقاس فقط بهذه الأرقام، بل بتكلفة التدخل، والأثر الاجتماعي أو السريري المتوقع.
إن السياق المعرفي يلعب دورًا محوريًا في تفسير حجم التأثير. ففي مجالات مثل علم النفس الاجتماعي، حيث تكون الظواهر المدروسة معقدة وتتأثر بعوامل متعددة يصعب التحكم بها، قد يُنظر إلى قيمة $eta^2 = 0.05$ على أنها “متوسطة إلى كبيرة” ومهمة للغاية. في المقابل، في التجارب الفيزيائية أو السريرية التي تتسم بضبط صارم للمتغيرات، قد تتطلب النتائج حجم تأثير أكبر بكثير ليتم اعتبارها ذات أهمية علمية. وبالتالي، يجب على الباحثين دائمًا تبرير تصنيفهم لحجم التأثير بناءً على المعايير السائدة في مجالهم والتأثير العملي المتوقع من نتائجهم.
7. العلاقة بالمقاييس الأخرى لحجم التأثير
يوجد العديد من مقاييس حجم التأثير المشابهة لإيتا تربيع، والتي تم تطويرها لمعالجة قيوده المنهجية أو لتلائم تصميمات إحصائية معينة. من أهم هذه المقاييس هو إيتا تربيع الجزئي (Partial Eta Squared, $eta_p^2$). الفرق الجوهري يكمن في المقام: بينما تستخدم $eta^2$ التباين الكلي ($text{SS}_{text{Total}}$) في المقام، فإن $eta_p^2$ تستخدم مجموع المربعات للتأثير المدروس مضافًا إليه مجموع المربعات للخطأ ($text{SS}_{text{Error}}$).
رياضياً، يتم حساب إيتا تربيع الجزئي كما يلي:
$$eta_p^2 = frac{text{SS}_{text{Effect}}}{text{SS}_{text{Effect}} + text{SS}_{text{Error}}}$$
هذا التعديل يجعل $eta_p^2$ يقيس التباين المفسر بواسطة عامل معين بعد استبعاد تأثير العوامل الأخرى في التصميم. ونتيجة لذلك، غالبًا ما تكون قيمة إيتا تربيع الجزئي أكبر من إيتا تربيع العادي في التصميمات العاملية المعقدة، ويُفضل استخدامه في تقارير ANOVA المتعددة العوامل أو القياسات المتكررة لأنه يوفر تقديرًا أكثر دقة للقوة الفريدة لكل عامل.
مقاييس أخرى مهمة تم تطويرها لمعالجة تحيز إيتا تربيع للأعلى هي أوميغا تربيع (Omega Squared, $omega^2$) وإبسيلون تربيع (Epsilon Squared, $epsilon^2$). تعتبر هذه المقاييس تقديرات أقل تحيزًا لحجم التأثير في المجتمع. يتم اشتقاقهما من خلال تعديل مجاميع المربعات ودرجات الحرية (Degrees of Freedom) لتقليل تأثير التباين العشوائي. توصي العديد من الهيئات الإحصائية، مثل APA، بالإبلاغ عن $omega^2$ بدلاً من $eta^2$ عندما يكون الهدف هو استقراء حجم التأثير إلى المجتمع، نظرًا لكونه يوفر تقديرًا أكثر تحفظًا وواقعية.
على الرغم من تفضيل $omega^2$ في سياقات التقدير، يظل إيتا تربيع العادي مستخدماً على نطاق واسع في البرامج الإحصائية التقليدية، كما أنه يوفر تقديرًا وصفيًا بسيطًا للتباين المفسر في العينة. يتمثل التحدي الذي يواجهه الباحث في اختيار المقياس الأنسب بناءً على تعقيد التصميم التجريبي، والهدف من التحليل (سواء كان وصفيًا للعينة أو تقديريًا للمجتمع).
8. أمثلة تطبيقية واستخدامات نموذجية
إن الاستخدام النموذجي لإيتا تربيع يتركز في أي تحليل إحصائي يعتمد على تجزئة التباين، وأبرزها تحليل التباين أحادي الاتجاه (One-Way ANOVA). لنفترض أن باحثًا يريد اختبار تأثير ثلاثة مستويات مختلفة من جرعات دواء معين على تقليل أعراض الاكتئاب. بعد إجراء ANOVA، يحصل الباحث على نتيجة دالة إحصائيًا (p < 0.05).
لنفترض أن نتائج ANOVA أظهرت أن مجموع المربعات للتأثير ($text{SS}_{text{Drug}}$) يساوي 500، ومجموع المربعات الكلي ($text{SS}_{text{Total}}$) يساوي 5000. عند حساب إيتا تربيع:
$$eta^2 = frac{500}{5000} = 0.10$$
تشير هذه النتيجة ($eta^2 = 0.10$) إلى أن 10% من التباين الكلي في مقاييس الاكتئاب يمكن تفسيره بوضوح بواسطة مستويات الجرعات المختلفة للدواء. ووفقًا لإرشادات كوهين، يعتبر هذا التأثير كبيرًا نسبيًا. هذا التقدير العملي يمنح النتيجة قوة أكبر بكثير من مجرد الإشارة إلى أن الفروق بين المجموعات “مهمة إحصائيًا”.
في تصميمات القياسات المتكررة (Repeated Measures ANOVA)، حيث يتم قياس نفس الأفراد عدة مرات تحت ظروف مختلفة، يصبح استخدام إيتا تربيع الجزئي أكثر شيوعًا. وذلك لأن $eta_p^2$ في هذه الحالة يستبعد التباين بين الأفراد من المقام، مما يؤدي إلى زيادة القوة الإحصائية ويعطي قيمة أكبر لحجم التأثير مقارنة بإيتا تربيع العادي، حيث يتم تصفية التباين غير المرغوب فيه والخاص بالفروق الفردية. في مثل هذه التصميمات، يكون تركيز الباحث على تحديد مدى تأثير التلاعب التجريبي داخل نفس الفرد.
9. الخلاصة والتوجيهات المستقبلية
يظل إيتا تربيع مقياسًا أساسيًا وحيويًا لتقرير حجم التأثير في الأبحاث التي تعتمد على تحليل التباين. إنه يوفر جسرًا مفاهيميًا مهمًا بين الدلالة الإحصائية (المتمثلة في قيمة p) والأهمية العملية للنتائج. كونه يمثل نسبة مئوية من التباين المفسر، فإنه يوفر مقياسًا معياريًا سهل التفسير يساهم في فهم مدى قوة العلاقة بين المتغيرات.
ومع ذلك، فإن الاتجاهات الحديثة في الإحصاء تؤكد على ضرورة الانتقال إلى مقاييس أقل تحيزًا، مثل أوميغا تربيع ($omega^2$)، خاصة عند محاولة استقراء النتائج إلى المجتمع الأوسع. يجب على الباحثين دائمًا أن يكونوا على دراية بالقيود المنهجية لإيتا تربيع، خاصة تحيزه للأعلى واعتماده على التباين غير المفسر ضمن التصميم المحدد.
لضمان الشفافية وقابلية التكرار في البحث العلمي، فإن التوصيات الإحصائية المستقبلية لا تركز فقط على اختيار المقياس الأقل تحيزًا، بل أيضًا على ضرورة الإبلاغ عن فترات الثقة (Confidence Intervals) حول مقاييس حجم التأثير. هذا المزيج من التقديرات النقطية (مثل $eta^2$ أو $omega^2$) وتقديرات الفترات يمنح القارئ فهمًا شاملاً لمدى دقة التقدير وقوته، مما يعزز الممارسة الإحصائية السليمة والمنهجية في البحث الأكاديمي.